事件抽取技术是从海量的信息中抽取出事件信息并以结构化的形式呈现出来。事件抽取主要采用基于知识(模式匹配)和基于数据(机器学习)两种方法。基于知识的方法准确率较高,但是扩展性差。基于数据的方法召回率较高,但是存在数据稀疏问题。如何将这两种方法的优点结合起来进行事件抽取是一个值得研究的问题。针对该问题,本文所做工作如下:首先,建立了面向机械产品需求分析的事件语料库。从互联网上收集了大量与机械产品相关的文本,并且设计了一个事件标注系统,通过对文本预处理和事件标注,建立了面向机械产品需求分析的事件语料库。其次,分析了基于数据方法与基于知识方法的事件抽取本质,发现了这两种方法的事件抽取本质的一致性,从而采用了融合数据与知识的事件抽取方法。在事件类别识别中,在总结事件语料的词语信息构建了知识库的基础上,提取事件触发词及其周围的词法特征和实体特征作为事件特征,并且加入通过知识库提取的知识特征,然后利用支持向量机(SVM),进行事件类别识别。实验结果中的准确率、召回率和加权平均值都有了一定的提高,验证了该方法的有效性。然后,在事件元素识别中,同样采用融合数据与知识的方法。选取事件元素及其周围的词法特征和实体特征作为事件特征,并且在事件特征中加入了从知识库中提取的知识特征,然后利用支持向量机进行事件元素识别。实验结果表明了该方法在事件元素识别中的有效性。最后,针对机械产品需求分析设计了一个完整的事件抽取系统。在事件语料库的建立、事件类别识别和事件元素识别的研究工作基础上,采用层层递进的方式,将这三个部分组合在一起,建立了完整的事件抽取系统,可满足机械产品需求分析时事件抽取的需要。